華為開發者學院|卷積神經網絡與圖像處理,聽這一節課就夠了

2020-12-06 量子位

允中 發自 凹非寺量子位 編輯 | 公眾號 QbitAI

隨著人工智慧技術越來越多地融入到我們的生活中,出現了智能音箱、智能助理、智慧機器人等實用性產品。人工智慧作為當前最熱門的技術之一,越來越多的人加入人工智慧的大家庭,根據應用領域的不同,人工智慧研究的技術也不盡相同。

華為開發者學院特邀國內首本TensorFlow知名書籍作者鄭澤宇老師,帶您了解卷積神經網絡基本原理和基本的卷積神經網絡結構,介紹圖像分類和圖像識別的核心思路和基本算法,在直播間中,您可將當前在學習中遇到的難點和困惑與大咖講師鄭澤宇交流,通過大咖的解讀,帶給你學習的方法與捷徑。

通過本次課程你將掌握

掌握卷積神經網絡的基本概念和算法卷積神經網絡設計的思想從圖像分類到圖像識別的基本思路

嘉賓簡介

鄭澤宇:知衣科技創始人兼CEO

在機器學習、人工智慧領域有多年理論研究和實戰經驗。畢業於北京大學,後在美國卡內基梅隆大學(國際計算機排名第一)深造,並被評為Siebel Scholar,此項榮譽每年僅授予85位全球頂級研究生。出版國內第一本人工智慧TensorFlow書籍《TensorFlow:實戰Google深度學習框架》。2016年聯合創辦才雲科技並擔任首席大數據科學家,曾任美國谷歌高級工程師。2018年2月,創辦知衣科技並擔任知衣科技CEO。

大咖為您答疑解惑,還不來參與?快來報名吧!(通過下方網址報名

https://developer.huaweiuniversity.com/m/course/about?id=HuaweiX+CBGHWDCN043&source=liangziweigzh

相關焦點

  • 淺析人工智慧的卷積神經網絡與圖像處理
    淺析人工智慧的卷積神經網絡與圖像處理 demi 發表於 2019-11-02 11:23:43 在人工智慧深度學習技術中,有一個很重要的概念就是卷積神經網絡 CNN(Convolutional Neural
  • 應用豐富的「卷積神經網絡」技術,怎樣實現了圖像識別?
    解決這一問題的方法之一是利用神經網絡。理論上,我們可以利用卷積神經網絡來分析圖像;但實際上從計算的角度來看,這樣做的成本非常高。舉例來說,即使是一個處理一張很小的圖像(假設是30*30像素)的卷積神經網絡,仍需要五十萬的參數和900個輸入。
  • 反思卷積神經網絡:圖像角度泛化上的困難重重
    毫無疑問,卷積神經網絡在圖像處理及周邊領域的開發進程和研究突破中發揮著重要作用。 但是,這不代表卷積神經網絡表現完美。 研究人員經常會遇到一個問題:他們往往由於過於追求理論和完美數據集而深陷其中。然而事與願違,要求數據準確度到小數點後幾位其實往往與現實情況中圖像處理的實際用處恰恰相反。
  • 卷積神經網絡理解(一):濾波器的意義
    卷積神經網絡與圖像識別四. 濾波器一.卷積神經網絡的發展卷積神經網絡受到視覺細胞研究的啟發,1962年,Hubel和Wiesel發現初級視覺皮層中的神經元會響應視覺環境中特定的簡單特徵(比如有向的邊等)。
  • 圖像識別技術——卷積神經網絡CNN詳解
    前言卷積神經網絡不同於神經網絡,在圖片處理這方面有更好的表現。本文主要對神經網絡和卷積神經網絡做了簡要的對比,著重介紹了卷積神經網絡的層次基礎,同時也簡要介紹了卷積神經網絡參數更新方式和其優缺點,並結合具體實例對卷積神經網絡的工作方式做了介紹。
  • 卷積神經網絡在圖像領域中的發展及存在問題
    最近的幾年裡,深度學習在機器學習領域得到了飛速的發展,相關的理論成果和實踐成果也層出不窮,其主要的貢獻是在自然語言處理、圖像分類任務、聲音識別等領域上。自1974年Paul Werbos等人提出反向傳播算法(BP算法),解決了由淺層的神經網絡模型應用到深層的神經網絡模型中線性不可分的問題。
  • 一文讀懂卷積神經網絡工作原理
    卷積神經網絡(Convolutional Neural Network, CNN)是人工神經網絡的一種,是當下語音分析和圖像識別領域的研究熱點。這篇文章用最簡明的語言和最直觀的圖像,帶你入門CNN。準備好了嗎?
  • 卷積神經網絡(CNN)新手指南
    然而最經典的,或者說最流行的神經網絡使用範例是將其用於圖像處理領域。提到圖像處理,本文主要介紹的是如何使用卷積神經網絡來進行圖像分類。我們希望電腦能做到的是在所有的給定圖像中分辨出不同的類別,它能找到那些「狗之所以是狗」或者「貓之所以是貓」的特性。這個就是在我們的頭腦中潛意識裡進行認知識別的過程,當我們看到一張狗的圖像時,我們能夠將其分類因為圖像上有爪子或者四條腿等明顯的特徵。以類似的方式計算機能夠進行圖像分類任務,通過尋找低層次的特徵如邊緣和曲線,然後運用一系列的卷積層建立一個更抽象的概念。這是卷
  • 「範例卷積神經網絡」和信息最大化
    在文章中,我提到了解讀這一方法的另一個角度——信息最大化,即尋找有限熵數據的非線性表徵,同時最大程度地保留輸入的信息。在那篇文章中,我簡單地提了一下「Exemplar-CNNs」的方法。這一方法也能被理解為「卷積神經網絡範例」。
  • 基於卷積神經網絡的目標檢測算法簡介
    什麼是卷積神經網絡?卷積神經網絡是一個層次模型,主要包括輸入層,卷積層,池化層、全連接層以及輸出層。卷積神經網絡是專門針對圖像而設計,主要特點在於卷積層的特徵是由前一層的局部特徵通過卷積共享的權重得到。
  • 了解CNN這一篇就夠了:卷積神經網絡技術及發展
    在不同類型的神經網絡當中,卷積神經網絡是得到最深入研究的。早期由於缺乏訓練數據和計算能力,要在不產生過擬合的情況下訓練高性能卷積神經網絡是很困難的。標記數據和近來GPU的發展,使得卷積神經網絡研究湧現並取得一流結果。本文中,我們將縱覽卷積神經網絡近來發展,同時介紹卷積神經網絡在視覺識別方面的一些應用。
  • 深度學習入門:淺析卷積神經網絡
    它在語音識別、自然語言處理、計算機視覺、圖像與視頻分析、多媒體等諸多領域的應用取得了巨大成功。至今已有數種深度學習方法,如卷積神經網絡(CNN)、自編碼神經網絡(包括Auto encoder和Sparse Coding)和深度置信網絡(DBN),並在各個領域中取得了極好的效果。
  • 使用卷積神經網絡,構建圖像分類模型檢測肺炎
    來源 | DeepHub IMBA作者 | Eunjoo Byeon在本篇文章中,我將概述如何使用卷積神經網絡構建可靠的圖像分類模型,以便從胸部x光圖像中檢測肺炎的存在。肺炎是一種常見的感染,它使肺部的氣囊發炎,引起呼吸困難和發燒等症狀。
  • 卷積神經網絡的卷積到底是什麼
    卷積神經網絡是一種特殊的神經網絡結構,是自動駕駛汽車、人臉識別系統等計算機視覺應用的基礎,其中基本的矩陣乘法運算被卷積運算取代。它們專門處理具有網格狀拓撲結構的數據。例如,時間序列數據和圖像數據可以看作是一個二維像素網格。
  • 你不了解的卷積神經網絡:新一代圖像視頻壓縮技術
    在圖片、視頻壓縮領域,使用最多的深度學習技術就是卷積神經網絡(CNN),下面會就卷積神經網絡進行簡單介紹。如圖 3 所顯示,像搭積木一樣,一個卷積神經網絡由卷積、池化、非線性函數、歸一化層等模塊組成。最終的輸出根據應用而定,如在人臉識別領域,我們可以用它來提取一串數字(專業術語稱為特徵)來表示一幅人臉圖片。然後通過比較特徵的異同進行人臉識別。
  • 基於PVANet卷積神經網絡模型的交通標誌識別算法
    針對這一瓶頸問題, 採用對PVANet網絡的淺層特徵提取層、深層特徵提取層和HyperNet層(多層特徵信息融合層)進行改進的措施, 提出了一種適用於小目標物體檢測的改進PVANet卷積神經網絡模型, 並在TT100K(Tsinghua-Tencent 100K)數據集上進行了交通標誌檢測算法驗證實驗。
  • 卷積神經網絡算法結構分析及其工作效率的影響因素
    2012年可謂人工智慧圖像識別發展的一個重要裡程碑。之前人們為追求圖像識別算法的準確性做出了不懈的努力,但是其錯誤率卻一直居高不下,保持在26%左右,這一水平導致圖像識別技術無法有效走出實驗室。但是在2012年的視覺挑戰賽(ILSVRC,Image Net Large Scale Visual Recognition Challenge)上,Krizhevsky等人採用了八層深度卷積神經網絡的計算方法贏得了該大賽的管冠軍,其精確度超過第二名11%,這一壓倒性的優勢,決定了卷神經網絡在圖像識別領域的研究,必然成為未來的主要趨勢。
  • 解析卷積神經網絡的應用
    只有當使用圖像數據集對計算機進行訓練後,其方可識別對象 不過,情況正發生變化。近年來,一個稱之為「深度學習」的領域大幅提升了計算機理解所見事物的能力。深度學習,尤其是卷積神經網絡的使用,並沒有依賴傳統的圖像處理技術,而是賦予計算機理解世界的能力,且這方面已取得重大進展。
  • 卷積神經網絡超詳細總結
    卷積神經網絡的低隱層是由卷積層和最大池採樣層交替組成,高層是全連接層對應傳統多層感知器的隱含層和邏輯回歸分類器。第一個全連接層的輸入是由卷積層和子採樣層進行特徵提取得到的特徵圖像。最後一層輸出層是一個分類器,可以採用邏輯回歸,Softmax回歸甚至是支持向量機對輸入圖像進行分類。卷積神經網絡結構包括:卷積層,降採樣層,全連結層。
  • 卷積神經網絡新手指南之二
    這些都是重要的問題,並且沒有一套所有的研究人員都在使用的標準。這是因為神經網絡在很大程度上取決於你所擁有的數據類型。數據大小因為圖像的複雜性、圖像處理任務的類型以及更多因素而千差萬別。當你看著自己的數據集時,選擇超參數的一種方式是發現在一個適當的範圍創造圖像抽象的正確組合。修正線性單元(ReLU)層在每個卷積層後,習慣在其後馬上添加一個非線性層(或激活層)。